Közgazdasági Szemle, LV. évf., 2008. június (522 547. o.) LENGYEL BALÁZS LOET LEYDESDORFF A magyar gazdaság tudásalapú szervezõdésének mérése Az innovációs rendszerek szinergiáinak térbelisége A tudásalapú gazdaság felemelkedésérõl, jellemzõirõl, a fogalom értelmezhetõségérõl az elmúlt években kiélezett viták folytak. A közgazdászkutatók egy része kétkedéssel fogadja a tudásalapú gazdaság közgazdaságtani értelmezésére tett kísérleteket is. Az innovációs rendszerekkel foglalkozó új intézményi közgazdaságtan, az evolúciós közgazdaságtan stb. a gazdasági élet változásait felismerve próbálja beemelni elemzési körébe a tudásalapú gazdaság jellemzõit. Tanulmányunkban korábbi holland és német vizsgálatokra alapozva a gazdaság tudásalapú szervezõdésének mérésére teszünk kísérletet a tudásteremtés, tudáskiaknázás és szervezeti kontroll innovációs rendszereken belüli szinergiájának becslésével. A gazdaság tudás alapon való térbeli szervezõdését a hazai cégek háromdimenziós valószínûségi eloszlásának entrópiájával és a három dimenzió (földrajzi, technológiai és szervezeti) közös információjával becsültük. Eredményeink szerint a magyar tudásalapú gazdaság szervezõdése területi szempontból erõsen tagolt: az ország észak-nyugati részein a külföldi tulajdonban lévõ vállalatoknak, a keleti és déli területeken pedig a költségvetési intézményeknek van vezetõ szerepük. Vizsgálatunk alapján úgy tûnik, hogy az innovációs rendszer nemzeti szintje nem segíti a regionális szinten kialakult szinergiákat.* Journal of Economic Literature (JEL) kód: B52, R12, O18. A tudásalapú gazdaság fogalma, értelmezése elsõsorban a gazdaságpolitikai elemzésekben, dokumentumokban jelenik meg (OECD [2001]), illetve az innovációval foglalkozó elméleti irányzatok szakirodalmában (Foray [2004]). A fogalmon a felgyorsult információáramlást, a tudományos élet és a gazdaság összefonódását, a tudás gazdasági felértékelõdését stb. értik. Tanulmányunkban a gazdaság tudásalapú szervezõdésének mérésére teszünk kísérletet. Az érdekel bennünket, hogy a piaci és politikai koordináció mellett miként határozza meg a szervezett tudásteremtés a gazdaság területi szervezõdését (Leydesdorff [2006b]). A gazdaság tudásalapú szervezõdése leginkább az innováció gazdasági szerepéhez kötõdik. Az evolúciós közgazdaságtanban gyökerezõ nemzeti innovációs rendszerek (Acs * A szerzõk köszönetüket szeretnék kifejezni Szabó Istvánnak, a KSH népesedés-, egészségügyi és szociális statisztikai fõosztály osztályvezetõjének az adatgyûjtésben nyújtott segítségéért, illetve a Szegedi Tudományegyetem Gazdaságtudományi Kar Közgazdaságtani és Gazdaságfejlesztési Intézet munkatársainak a tanulmány alkotó átnézéséért. Lengyel Balázs a Magyar Tudományos Akadémia Regionális Kutatások Központjának tudományos segédmunkatársa (e-mail: lengyel@rkkmta.hu). Loet Leydesdorff az Amsterdam School of Communications Research, University of Amsterdam professzora (e-mail: loet@leydesdorff.net).
A magyar gazdaság tudásalapú szervezõdésének mérése 523 Varga [2000], Dõry [2005], Cooke [2002], Lundvall [1992], Varga [2004]) irányzatának egyik alapgondolata, hogy az innováció egyaránt létrejöhet a cégek berkein belül, illetve más intézményi szereplõkkel (egyetemek, kutatóintézetek, kormányzati szervek és iparágak) való hálózati együttmûködésben (Inzelt [2004], Lengyel B. [2005]). A nemzeti innovációs rendszereken belül a regionális innovációs rendszerek különböznek a tekintetben, hogy a rendszert alkotó hálózatok miképpen teremtik meg a csere, az újdonságteremtés és a szervezeti kontroll funkciói közötti szinergiákat (Cooke Leydesdorff [2002]). A fejlett régiók példája azt mutatja, hogy az innovációs rendszerek erõsségét leginkább annak az alrendszerei az iparági struktúra, a cégek földrajzi eloszlása és az akadémiai hagyományok közötti szinergia jelzi (Fritsch [2004]). A csere, az újdonságteremtés és a szervezeti kontroll funkciói a tudásalapú szervezõdés almechanizmusainak (sub-dynamics) tekinthetõk, amelyek eltérõ mértékben ugyan, de hatnak egymásra. Minél inkább érvényesülnek az e funkciók közötti szinergikus hatások, annál inkább beszélhetünk a tevékenység önszervezõ jellegérõl. A regionális innovációs rendszerek szintjén megnyilvánuló hatásokat nem elég például az egyetem ipar(gazdaság) hálózati kapcsolataira visszavezetni, mivel azok közvetett módon is jelentkeznek (Leydesdorff [2006b], [2007]). A regionális gazdaságtan egyik elfogadott irányzata szerint három tényezõ mint három dimenzió között kell keresnünk a szinergiákat: a tudás generálása, a tudást kiaknázó szervezetek és a tudás földrajzi terjedése között (Lengyel I. [2003], Storper [1997]). Az almechanizmusok összehangoltsága a gazdaság tudás alapon való szervezõdésére utal. Jelen tanulmányban holland és német vizsgálatok (Leydesdorff és szerzõtársai [2006], Leydesdorff Fritsch [2006]) módszertani és empirikus eredményeit felhasználva a magyar gazdaság tudásalapon való térbeli szervezõdésének mérésére, az almechanizmusok közötti szinergia becslésére az entrópia módszerét alkalmazzuk. Az entrópia információelméleti formulájával egy eloszlásban megmutatkozó rendezetlenséget vagy bizonytalanságot (uncertainty) tudunk mérni (Shannon [1948]). A három vizsgált dimenzió: a magyar vállalatok technológiai (tudást teremtõ), szervezeti (tudást alkalmazó) és földrajzi (a tudás terjedésének) dimenziói. A háromdimenziós eloszlás közös információja kisebb vagy egyenlõ, mint a dimenziók entrópiáinak összege, ami a rendszer bizonytalanságának csökkenését mutatja. A bizonytalanság csökkenését az almechanizmusok között kialakult szinergiának tudhatjuk be (Leydesdorff [2006a]). Így a háromdimenziós közös információ a gazdaság tudásalapon való szervezõdésének indikátoraként is felfogható. A technológiai dimenziót az iparági szektorok TEÁOR-besorolását használva, a csúcstechnológiai (high-tech), közepes technológiai szintû (medium-tech) vállalatokat és tudásintenzív szolgáltatásokat vizsgáltuk. A földrajzi dimenziót az iparvállalatok székhelyéül szolgáló kistérségekkel, a szervezeti dimenziót a vállalatok méretével (foglalkoztatottak száma) ragadtuk meg. A tanulmány elsõ részében a vizsgálat hátterét nyújtó elméleti modellt mutatjuk be, s röviden kitekintünk a korábbi hazai vizsgálatok fontosabb eredményeire, amelyek hipotéziseink alapjául szolgáltak. A második részben az adatfelvétel és a vizsgálati módszer leírása található, amit a hipotézisek empirikus ellenõrzése, eredményeink leírása és értelmezése követ. Vizsgálatunkban egy módszertani kísérletet tettünk, lehet-e és hogyan a fejlett országokban kipróbált becslési eljárást alkalmazni a tudásalapú gazdaság térbeliségének mérésére egy közepesen fejlett, erõs területi egyenlõtlenségekkel küzdõ átmeneti gazdaságban.
524 Lengyel Balázs Loet Leydesdorff A tudásalapú gazdaság térbeliségének vizsgálata, kutatásunk hipotézisei A neoklasszikus alapokon nyugvó új gazdaságföldrajz (Krugman [2000]) ökonometriai elemzései a tudáshoz való hozzáférés pozitív külsõ gazdasági hatására hívták fel a figyelmet (Varga [2004]). A tudás áramlását ez az irányzat automatikusnak tartja, amely egy adott lokális környezetben a vállalatok között a tudás tovagyûrûzõ hatásaként (knowledgespillover effect) érvényesül. Az evolúciós gazdaságföldrajz a tudásexternáliák között megkülönbözteti a lokális specializációhoz kapcsolódó marshalli és a lokális sokszínûséghez kapcsolódó jacobsi externáliákat (Boschma Martin [2007]). A vállalatok szokásos munkamenete, szervezeti tudása történelmileg formálódó tényezõk alapján koncentrálódik a térben, a tudás tovagyûrûzõ hatása nem automatikus, hanem a tudás transzferéhez kötõdik (Lengyel B. [2004]), amelyben a lokális és globális tényezõk egyaránt szerepet játszanak (Boschma Frenken [2006], Breschi Lissoni [2001]). Az innovációs rendszerek iskolájának eredete a tudás értelmezését tekintve az evolúciós közgazdaságtanra vezethetõ vissza (Lundvall [1992], Nelson [1993]), viszont a nemzeti és regionális innovációs rendszerek vizsgálataira sokkal inkább jellemzõ az intézményi közgazdaságtan eszköztára (Acs Varga [2000], Boschma Frenken [2006]). A regionális kutatók többsége a régiók intézményrendszerét adottnak tekintve, és azokat összehasonlítva méri a regionális innovációs rendszerek teljesítményét (Asheim Coenen [2006], Lengyel Rechnitzer [2004]). Így elsõsorban az innováció input- és outputmutatóinak régiók közötti összehasonlítása, mintsem a regionális rendszereken belüli kölcsönhatások számszerûsítése szerepel eszközeik között. Az innovációs rendszerek iskolája megfelelõ terep lehet az evolúciós és intézményi irányzat ötvözéséhez (Boschma Frenken [2006]), ehhez azonban az innovációnak az intézményi kereteket megújító, újrastrukturáló jellegét, a tudásalapú rendszerek belsõ dinamikáját, az alrendszerek egymást alakító (koevolúciós) kölcsönhatását kell vizsgálnunk. Az innovációs rendszerek szemléletében az evolúciós közgazdászokat követve (Dosi [1988]) az innovációt a termelés elemeinek újfajta kombinációjaként értelmezik (Lundvall és szerzõtársai [2002]). Bár a technológiai fejlõdés útfüggõ, kumulatív jellege elfogadott, az innovációs folyamatok során a termékek, termelési folyamatok teljesen új variációi jöhetnek létre (Dosi [1982]), amelyek elõre nem látható következményekkel járnak, sõt maga a technológiai innováció az elõre nem jelezhetõ hibák és a nem várt sikerek sorozata. Mindezek miatt gyakran a bizonytalanság (uncertainty) fogalmával jelölik a technológiai innováció elõre ki nem számítható jellegét (Dosi és szerzõtársai [2005]). A folyamatosan megújuló gazdaságban a bizonytalanság tekinthetõ az alapállapotnak, ugyanakkor a gazdasági szereplõk egymáshoz való viszonyára, az egymástól való tanulás mikéntjére stb. döntõ hatása van a társadalmi intézményeknek, jelentõsen lecsökkentve így az innovációs rendszerekben az innováció bizonytalanságának szintjét (Hronszky [2005], Lundvall és szerzõtársai [2002]). Tanulmányunkban a bizonytalanság kulcsfogalom, azt vizsgáljuk, miként csökkentik a bizonytalanság szintjét az innovációs rendszerekben megvalósuló tudásfunkciók. Az evolúciós irányzat megkülönbözteti a tudásteremtés (knowledge exploration) és a tudásalkalmazás (knowledge exploitation) funkcióit (Nelson Winter [1982]). Modellünk alapjául ezek a kategóriái szolgálnak. A tudás teremtésén az alap- és alkalmazott kutatások általi újdonságteremtést szokás érteni, míg a tudás alkalmazása a vállalkozó vagy vállalat általi elõnyteremtés. Az intézményi közgazdaságtan az újdonságteremtés és a csere mechanizmusai mellett a szervezeti kontroll szerepét is kiemeli (Lorenzen Foss [2003]). Ezek az eltérõ mechanizmusokkal leírható funkciók egymással szoros koevolúciós kapcsolatban állnak. Az evolúciós és intézményi irányzatokat sajátosan összeillesztették a regionális innovációs rendszerekben, ahol a tudást generáló (egyetemek, kutatóintéze-
A magyar gazdaság tudásalapú szervezõdésének mérése 525 tek) és azt felhasználó (vállalatok, iparági klaszterek stb.) alrendszerek között a tudás áramlását a személy- és intézményközi hálózatok segítségével térképezik fel (Fornahl Brenner [2003]). Az innovációs rendszerek erõssége attól függ, hogy a tudásalapú funkciók miképpen kapcsolódnak a szereplõk közötti hálózatokhoz, hiszen ezek a hálózatok a tudás cseréjét jelentõsen megkönnyítik, s így az innovációs folyamat bizonytalanságát csökkentik (Foray [2004], Leydesdorff [2006a]). Az intézményi és evolúciós közgazdaságtani szemléletek innovációs rendszerekben való ötvözéséhez két dolgot kell végiggondolnunk. Elõször is, annak ellenére, hogy az innovációs rendszerekben lévõ hálózatokban a szervezett tudásteremtés, a tudástranszfer és a kontroll feladatait más szereplõk látják el, nem rendelhetünk hozzájuk egy-egy intézményt. Nem mondhatjuk például, hogy az egyetemek felelnek a tudás teremtéséért, a vállalatok pedig a tudás kiaknázásáért, hiszen a tudástranszfer a vállalatok és az egyetemek között kétirányú (Etzkowitz Leydesdorff [2000]). Így nem a szereplõk hálózatban való jelenléte a fontos, hanem kapcsolataik minõsége, s még inkább a kapcsolatok átalakulására ható erõk jelenléte. Másodszor, a gazdaság tudásalapon való szervezõdése nem igényel feltétlenül közvetlen kapcsolatokat, azt természetébõl adódóan vezérelhetik más piaci erõk vagy externáliák (például a tudás tovagyûrûzõ hatásai) által (Varga [2004]). A regionális innovációs rendszerek mûködése sem mérhetõ pusztán a szereplõk közötti kapcsolatok (piaci kapcsolat vagy K+F-kooperáció) vizsgálatával. Az innovációs rendszeren belül a hálózatok elemzése szükséges, de nem elégséges a tudásalapú szervezõdés megértéséhez. A tudásalapú gazdaság funkciói a hálózatokon belül egymással koevolúciós kapcsolatban állnak, a köztük lévõ szinergikus kölcsönhatások erõsségét kell a vizsgálatoknak megmutatnia (Fritsch [2004]). A tudásalapú gazdaság alrendszereinek többféle csoportosítása ismert, például az egyetem, a gazdaság és a kormányzat kapcsolatát leíró Triple Helix modell három szférája egymást alakítja, egymással koevolúciós kapcsolatban áll (Etzkowitz Leydesdorff [2000]). A modellben lehetõség van arra, hogy figyelembe vegyük a három szféra eltérõ mechanizmusait, belsõ motivációit, célfüggvényét (Lengyel B. [2006]). Bár az egyetem a tudás létrehozásában, a gazdasági szféra a tudás kiaknázásában, a kormányzat pedig a kapcsolatok kontrollálásában tekinthetõ fõszereplõnek, a háromoldalú kapcsolatok során az intézmények funkciói változnak, s így változnak az egymással szembeni követelmények is (Leydesdorff [2006a]). A modellben a három szféra összefonódása a tudásalapú gazdaság egyik ismérve, a tudásalapon való szervezõdésnél a hálózati kapcsolatokban pozitív visszacsatolásokat feltételezhetünk (network overlay). A regionális innovációs rendszerek koevolúciós jellemzéséhez a szférák, a tudásalapú gazdaság funkciói közötti szinergiákat kell formalizálnunk (Fritsch [2004]). Véleményünk szerint ebben a szemléletben többet tudhatunk meg a kölcsönhatásokról, mintha csak a hálózatokat elemeznénk, de nem hagyjuk azokat sem figyelmen kívül, hiszen azok a három szféra kapcsolataiban integrálódnak. Leydesdorff [2006a] a Triple Helix modell segítségével az innovációs rendszerek teljes dinamikáját modellezve a hálózatokat három dimenzió mentén aggregálta (195. o.), és ezzel lehetõvé tette az itt kifejtett tudásfunkciók közötti szinergiák megragadását (1. ábra). A hálózatok jelentõs része a földrajzi környezet által meghatározott, a földrajzi dimenzió helyezi el a szereplõket, a köztük lévõ kapcsolatok sûrûségére (gyakoriságára) a földrajzi elhelyezkedés döntõ hatással van. A tudásalapú gazdaság cserekapcsolatainak nagy része a globalizáció során fõleg az infokommunikációs eszközöknek köszönhetõen függetlenedett a kommunikáció lokális hálózataitól; ugyanakkor a tudás terjedését a cserekapcsolatok nagyban elõsegítik, ha nem is fedik le teljesen. A tudásteremtés tudományos vagy technológiai paradigmák szerint rendezõdik, s az általa létrehozott tudás jellegétõl függõen igényli a hálózatok inkább lokális (például mérnöki tudományok) vagy inkább globális szervezõdését (például természettudományok) (Asheim Coenen [2006]).
526 Lengyel Balázs Loet Leydesdorff 1. ábra A gazdaság tudásalapú szervezõdésének dimenziói Forrás: Leydesdorff [2006] 196. o. alapján saját szerkesztés. Az innovációs rendszerek három tudásfunkciója: a tudásteremtés, a tudástranszfer és a szervezeti kontroll a modellben a három dimenzió interfész jellegû, elsõrendû kapcsolatainak feleltethetõ meg. Egy innovációs rendszer tudásteremtése a tudományos/technológiai paradigmák és a földrajzi elhelyezkedés, a tudástranszfer pedig a cserekapcsolatok és az újdonságteremtés folyamatainak együttes viszonyában értelmezhetõk. Az innovációpolitika hatásköre természetszerûen egy adott földrajzi térre (ország, régió stb.) korlátozódik, s elsõsorban a gazdasági cserekapcsolatokra van hatással. A gazdaság tudásalapon való szervezõdése az innovációs rendszer tudásfunkcióinak kapcsolataival formalizálható és mérhetõ (szaggatott vonallal jelölve az 1. ábrán). A tudásteremtés, a tudástranszfer és a szervezeti kontroll hálózatokban történik, ugyanakkor a funkciók hatással vannak egymásra. A hálózati szervezõdés pozitív visszacsatolását, így az innovációs folyamat bizonytalanságának csökkenését annak alapján tudjuk megragadni, hogy van-e szinergikus kölcsönhatás az innovációs rendszer tudásfunkciói között. Más szavakkal: a funkciók közötti kapcsolatok sztochasztikusak, a technológiai fejlõdés pedig átrajzolja a három mechanizmus közötti összekapcsolódások rendszerét. Az innovációs rendszerek tudásfunkcióinak szinergiája csökkenti az innovációs folyamat bizonytalanságát, így ha meg tudjuk ragadni a bizonytalanságcsökkenés mértékét, akkor a rendszer szintjén megvalósuló szinergiákat is tudjuk mérni. Az empirikus vizsgálat dimenzióinak kiválasztásánál az elméleti modellhez képest bizonyos kompromisszumokat kellett kötnünk, a vizsgálati módszer olyan dimenziókat igényelt, melyek értelmezhetõk azonos vizsgálati egységre. Michael Storper (1997]) szerint a gazdasági tevékenység technológiai szintje, a vállalatok szervezõdése és földrajzi elterjedése egymástól viszonylag függetlenül oszlik meg (Bajmócy [2007], Lengyel I. [2003]). Esetünkben tehát a vállalatok földrajzi elhelyezkedése, technológiai besorolása és mérete jelentheti az empirikus vizsgálat három dimenzióját. A vállalatméret, illetve a piaci és nem piaci tranzakciók közötti kapcsolat az evolúciós vállalatelmélet egyik fõ problémaköre (Kapás [1999]). A vállalatok mérete és a tudás transzferének (piaci és szervezeti) költsége kölcsönösen meghatározzák egymást. Például ha túl magas a szervezetek közötti kommunikáció költsége, akkor hatékonyabb a vállalati integráció, mint a piaci koordináció. Tanulmányunkban a vállalatok méretével számszerûsítjük a gazdasági cserekapcsolatok hatását a tudásalapú szervezõdésre, s a vállalatok e három dimenzióban
A magyar gazdaság tudásalapú szervezõdésének mérése 527 való eloszlásáról (földrajzi, technológiai, vállalatméret) gyûjtünk adatokat. A kétdimenziós eloszlások entrópiacsökkenésével becsüljük a tudásalapú funkciókat, a háromdimenziós közös információval pedig a tudásfunkciók szinergiáját, az innovációs rendszer tudásalapú szervezõdését mérjük. A tudásteremtés és tudástranszfer területiségével foglalkozó irodalom egyik alapkérdése, hogy a lokális vagy a globális viszonyok a meghatározók (Acs Varga [2000], Breschi Lissoni [2001]). A gazdasági tevékenység földrajzi eloszlásában, az iparági szektorok technológiai szintjében és a vállalatok méretében megnyilvánuló különbségek miatt azt várhatjuk, hogy a földrajzi feltételek különbözõképpen hatnak a különbözõ gazdasági szektorokra. A tudásintenzív üzleti szolgáltatások egy része például elvégezhetõ távolságtól függetlenül is, az ipari beszállítói kapcsolatok viszont jobban függnek a földrajzi távolságból adódó szállítási költségektõl. Kutatásunk elsõ két hipotézisét a tudásalapú szervezõdés globális és lokális viszonyait vizsgálva fogalmaztuk meg, a hipotézisek felállításához két korábbi hasonló tanulmányra támaszkodtunk (Leydesdorff és szerzõtársai [2006], Leydesdorff Fritsch [2006]): 1. a csúcstechnológiai (high-tech), közepes technológiai szintû (medium-tech) iparágakban a gazdaság tudásalapú szervezõdése függ a földrajzi dimenziótól; 2. a tudásintenzív szolgáltatások elszakítják a gazdaság tudásalapú szervezõdését annak földrajzi dimenziójától. Magyarország gazdaságának átmeneti jellegébõl adódóan több speciális összefüggésre is tekintettel kell lennünk az innovációs rendszerekben lévõ szinergiák vizsgálata elõtt. Feltételezhetjük például, hogy a múlt rendszer öröksége még mindig meghatározó az egyetem gazdaság kormányzat hármasa közötti kapcsolatokban, az egyetemek gazdasági önállósága korlátozott (Etzkowitz Leydesdorff [2000], Inzelt [2004]). Az átmenetnek számos meghatározott jele van: a regionális innovációs rendszerek intézményhálózata csak most alakul ki, a kormányzati szféra erõsen centralizált, a felsõoktatás és az egészségügy reformja szintén napjainkban zajlik stb. Szintén fontos, hogy kiemeljük: a magyar gazdaság tervgazdaságból piacgazdaságba történõ átmenete és a globalizációs folyamatok erõsödése egy idõben indult, így mindkettõ kihívásaival egyszerre kellett megbirkózni (Enyedi [1995], [2000]). Mindkét folyamatot figyelembe kell vennünk a magyar szinergiák elemzésekor: a múlt rendszerben kialakult mechanizmusok valószínûleg meghatározók maradtak az állam által ellenõrzött szektorokban (Hámori és szerzõtársai [2007], Papanek [2006]). Az átmenet sokkal gyorsabban ment végbe azokban az ágazatokban, ahol a külföldi tulajdonú vállalatok érdekeltséget szereztek (Barta [2000], Szabó Kocsis [2003]). A transzformáció dinamikája jelentõsen különbözik a gazdasági szektorokban és az egyetemi szférában (Inzelt [2003]). A hazai gazdaság megújuló képessége és a külföldi piacokra való kijutás szoros összefüggésben van egymással (Török Petz [1999]), a gazdasági átmenet az Európai Unióhoz való csatlakozásban csúcsosodott ki. Az átmenet a megyék versenyképességében (Lengyel I. [2003]), a városhálózat megújuló képességében (Rechnitzer és szerzõtársai [2004]) és a térségek innovációs teljesítményében (Varga [2007]) megmutatkozó különbségek miatt területileg differenciáltan ment végbe. Az elmondottak miatt a hazai viszonyokra tekintettel két további hipotézist állítottunk fel: 3. a külföldi tulajdonban levõ vállalatok és a külföldi tõkeberuházások pozitív hatással vannak a tudásalapú szervezõdésre; 4. nagy területi különbségek érvényesülnek a K+F tudásalapú szervezõdésre gyakorolt hatásában. A nemzetgazdaságok és az azokon belüli régiók különböznek abban, hogyan kombinálják a tudásalapú gazdaság funkcionális követelményeit, elemeit (Lundvall [1992], Nelson [1993], Cooke [2002], Török [2006b]). Az egyetem gazdaság kormányzat hármasán
528 Lengyel Balázs Loet Leydesdorff belüli kapcsolatok is eltérõen alakulnak országos és regionális szinten, mivel a három szféra koevolúciós kölcsönhatását különbözõ erõk alakítják (Etzkowitz Leydesdorff [2000]). Amikor a gazdaság tudásalapú szervezõdése az innovációs rendszer szintjén megnyilvánuló szinergiából adódik, akkor egy növekvõ önszabályozó visszacsatolást várhatunk a rendszerben. Ez a visszacsatolás mûködhet pozitívan (csökkentheti az innovációs folyamat bizonytalanságát), illetve mûködhet negatívan is (a globalizáció erõsödésével a korábbi lokális tudás elfelejtõdik, vagy a régió bezáródik egy elavult technológia zsákutcájába). Az innovációs folyamat bizonytalanságának csökkenése könnyen tetten érhetõ a területi dimenzióban, hiszen a hálózati kapcsolatok a regionális szerkezetet termékennyé, innovatívvá tehetik, így az innovációk többségének származási helye könnyen elõre jelezhetõ. Ugyanakkor nem várhatjuk minden hálózattól, hogy csökkenti a bizonytalanságot. Például a termelékenységük, innovativitásuk és a hálózati kapcsolatok sûrûsége ellenére az olasz iparági körzetek kárvallottjai lehetnek az ipar delokalizációjának. Azok a lokális kapcsolatok pedig, amelyek eredménye nem jut ki a globális piacra, a térség bezáródási folyamatát erõsíthetik. A hazai innovációs rendszerek szinergiáinak vizsgálata az új evolúciós modellünk alapján történik. Arra vagyunk kíváncsiak, hogy a rendszer mennyi bizonytalanságot kelt vagy szüntet meg, a rendszer melyik szintjén és dimenziójában történik ez. Adatfelvétel és módszertan Adatbázisunk a magyarországi csúcstechnológiai, közepes technológia szintû és tudásintenzív szolgáltató cégeket tartalmazza, az adatok 2005. december 31-ére vonatkoznak. A KSH adatbázisa alapján a cégeket három dimenzió szerint vizsgáltuk. A földrajzi dimenziót a 168 magyar kistérség jelenti, minden céget a székhelye szerinti kistérséghez soroltuk. A kistérségi adatgyûjtés az információk megyei szintû aggregálását, a megyén belüli entrópia (bizonytalanság) mérését tette lehetõvé, így a szinergiákat megyei szinten tudjuk kimutatni. Egyedül Budapest és a közép-magyarországi régió okoz nehézséget, hiszen Budapest kiemelkedik a térségbõl, egyidejûleg megye és kistérség. A technológiai dimenzió becslése a gazdasági ágazatok TEÁOR kategóriája szerint történt az OECD, Eurostat gyakorlata szerint, az alapul vett holland és német vizsgálatok módszerét követve. Mivel a gazdaság különbözõ szektorai várhatóan különbözõ technológiai fejlettségûek, más-más technológiákat használnak, ezért az iparági osztályozás egyféle becslésként használható a technológia dimenzió esetében. Az OECD [2001] (137. o.) a szektorokat tudásintenzivitásuk szerint definiálta (1. táblázat). Mindegyik céget a fõtevékenysége alapján soroltuk a két számjegyû kategóriák (lásd zárójelben) valamelyikébe. A szervezeti dimenzióban a vállalkozásokat méretük szerint osztályoztuk, és az osztályozási ismérv az alkalmazottak száma volt. A holland vizsgálathoz hasonlóan a magyar adatbázis is tartalmazza a foglalkoztatott nélküli vagy önfoglalkoztató cégeket, egyéni vállalkozásokat. Ez a kategória tartalmazza többek között a kipörgetett (spin-off) vállalkozásokat is, amelyek már a piacon vannak, de a tulajdonosuk még máshol áll alkalmazásban (részben ezért vontuk be vizsgálatunkba ezt a létszám-kategóriát) (2. táblázat). A holland, a német és a magyar vizsgálatok közötti legnagyobb különbség az adatgyûjtés során merült fel: mi csak a csúcstechnológiai, a közepes technológiájú, valamint a tudásintenzív vállalkozásokat vizsgáltuk, míg a holland és német esetben az összes vállalkozás vizsgálatából indultak ki. Érdekes, hogy a magyar cégek nagyon nagy aránya tartozik ezekbe a várhatón magas hozzáadott értéket termelõ kategóriákba (53,7 százalék). Az adatfelvétel különbségei miatt a nemzetközi vizsgálatok több eredményét nem tudjuk összevetni a hazaiakkal.
A magyar gazdaság tudásalapú szervezõdésének mérése 529 1. táblázat Csúcstechnológiai, közepes technológiájú vállalkozások és tudásintenzív szolgáltatások Csúcstechnológiai feldolgozóipar Iroda-, számítógépgyártás (30) Híradás-technikai termék, készülék gyártása (32) Mûszergyártás (33) Közepes technológiájú feldolgozóipar Vegyi anyagok, termék gyártása (24) Gépek, berendezések gyártása (29) Máshova nem sorolt villamos gép gyártása (31) Közúti jármû gyártása (34) Egyéb jármû gyártása (35) Tudásintenzív szolgáltatások Vízi szállítás (61) Légi szállítás (62) Posta, távközlés (64) Pénzügyi közvetítés (65) Biztosítás, nyugdíjalap (66) Pénzügyi kiegészítõ tevékenység (67) Ingatlanügyletek (70) Kölcsönzés (71) Számítástechnikai tevékenység (72) Kutatás-fejlesztés (73) Egyéb gazdasági szolgáltatás (74) Oktatás (80) Egészségügyi, szociális ellátás (85) Szórakoztatás, kultúra, sport (92) Megjegyzés: zárójelben az ágazati kódok. A dõlt betûs ágazatok (64, 72, 73) a szolgáltatásokon belül a csúcstechnológiájú tudásintenzív szolgáltatásokat jelentik. Forrás: OECD [2001]. 2. táblázat A csúcstechnológiai és a közepes technológiai szintû, valamint a tudásintenzív vállalkozások eloszlása létszám-kategóriák szerint A vizsgálatba Regisztrált A vizsgálatban Létszám-kategória (fõ) bevont vállalkozások vállalkozások szereplõ vállalkozások száma száma aránya (százalék) 0 vagy ismeretlen 275 202 365 861 75 1 9 369 280 805 209 46 10 19 5 976 20 870 29 20 49 4 921 11 046 45 50 249 3 733 4 860 77 250 vagy több 589 944 62 Összesen 659 701 1 228 999 54 Forrás: KSH, Statisztikai évkönyv, 2005. A módszer A magyar kutatás során a holland és német vizsgálat módszertanát követve, a hazai cégek eloszlásában mért háromdimenziós entrópia közös információját (mutual information) mértük (Leydesdorff és szerzõtársai [2006], Leydesdorff Fritsch [2006]). Az eloszlás entrópiája a minimális értékét (H = 0) akkor veszi fel, amikor az összes elem azonos értékû, az entrópia maximális értéke pedig az összes elem értékének különbözõségével jelentkezik. A háromdimenziós eloszlás entrópiájának értéke általában kisebb, mint az eloszlások külön-külön számított entrópiáinak összege (nagyobb is lehet, amint erre késõbb kitérünk), a két érték közötti különbség a három eloszlás közös információja. A há-
530 Lengyel Balázs Loet Leydesdorff rom dimenzió közös információja a tudásalapon való szervezõdés indikátora, hiszen a bizonytalanság csökkenését mérjük vele az innovációs rendszer tudásfunkcióinak ismeretében. A módszer számos elõnye mellett kiemelten fontos, hogy lehetõségünk van a közös információt elemekre bontani (dekompozíció), s így az eloszlás három elemének entrópiára való hatását külön-külön vizsgálni. Az entrópia módszertani használata két diszciplínára vezethetõ vissza: termodinamikai és információelméleti gyökerei vannak. A mutató hagyományosan a termodinamikából ered, egy rendszer rendezetlenségét s ezáltal a rendszer energiaszintjét méri (Georgescu- Roegen [2002]). A közgazdaságtanban való használatára az ökológiai közgazdaságtanban (Pataki [2002]) vagy akár a jövedelemegyenlõtlenségek számszerûsítésében (Tóth [2003]) egyaránt találunk példákat. Az entrópia területi jellegû mutatóként is gyakran megjelenik: az evolúciós gazdaságföldrajzban egy területi egység exporttevékenységének diverzitását mérik vele (Boschma Iammarino [2007]), sõt, az entrópia a területi egyenlõtlenségek egyik alapvetõ mutatója (Nemes-Nagy [2005]). Tanulmányunkban a mutató másik alapértelmezését használjuk: az információelméletben az entrópia egy rendszerbõl nyerhetõ információmennyiség matematikai megragadását teszi lehetõvé, egy valószínûségi eloszlás vagy egy rendszer bizonytalanságának mérõszáma (Johnston és szerzõtársai [2000]). Az entrópia informatikai értelmezése Shannon [1948] alapvetõ munkájára vezethetõ vissza. A Shannon-formula szerint a valószínûségi entrópia az x esemény eloszlásának bizonytalansága (A H x jelöli a várt információmennyiséget, ami az esemény teljes valószínûségi eloszlásából nyerhetõ), amit a H x = p x log 2 p x formulával fejezhetünk ki (p x x jelöli az x esemény bekövetkezésének valószínûségét). Hasonlóképpen H xy az x és az y események kétdimenziós valószínûség-eloszlásának közös bizonytalanságát jelenti ( H xy = p xy log 2 p xy, ahol p xy jelöli a két esemény feltételes valószínûségét). Két x y esemény (x és y) esetén a bizonytalanság csökken, hiszen azt a két egymással kapcsolatban lévõ dimenzió közös bizonytalansága csökkenti, s így a két dimenzióból összesen nyerhetõ közös információ, amit T xy -ként jelölünk: T xy = (H x + H y ) H xy. (1) Abban az esetben, amikor az x és az y eloszlása teljesen független egymástól, azaz T xy = 0 és H xy = H x + H y. Minden más esetben T xy > 0, ezért H xy > H x + H y (Theil [1972] 59. o.). Két kapcsolódó rendszer entrópiájuk közös részével (H xy ) határozza meg egymást, illetve a fennmaradó bizonytalanság mértéke (H x y és H y x ) a két rendszer eltérõ mechanizmusaiból adódik (Leydesdorff [2007]). Három egymással koevolúciós kapcsolatban lévõ rendszer vagy folyamat összekapcsolódásától azonban már nem várhatjuk, hogy minden esetben találunk benne olyan metszetet, amely mindhárom rendszer része. 1 Abramson [1963] a Shannon-formulából levezette a három dimenzióban megjelenõ közös információt (129. o.), amit T xyz -vel jelölünk: T xyz = H x + H y + H z H xy H xz H yz + H xyz. (2) A háromdimenziós eloszlásban lévõ kétoldalú kapcsolatok csökkentik a bizonytalanságot, a háromoldalú tag (H xyz ) viszont ellenétesen hat erre a csökkenésre, és növeli a 1 Leydesdorff [2007] (59. o.) három koevolúciós kapcsolatban lévõ rendszer egymásra való hatását, közös információját Venn-diagrammal ábrázolja.
A magyar gazdaság tudásalapú szervezõdésének mérése 531 bizonytalanságot (Leydesdorff [2007]). Azt mondhatjuk, hogy a rendszert az alfolyamatok közötti háromoldalú kapcsolatok teljes átfedésének hiánya dinamizálja. Adataink a magyarországi csúcstechnológiai és közepes technológiájú vállalatok, valamint a tudásintenzív szolgáltatócégek háromdimenziós eloszlására vonatkoznak. A vizsgált három dimenzió a földrajzi, technológiai és szervezeti dimenziók (entrópiájuk jelölése sorban: H g, H t és H o ), míg a három dimenzió közös információját T gto -val jelöljük (Leydesdorff [2006a], 2006b]): T gto = H g + H t + H o H gt H go H to + H gto. (3) A T gto értéke azt mutatja, hogy a három dimenzió összekapcsolódásával csökken-e a rendszer bizonytalansága. Ha a formulát egy hálózatra próbáljuk értelmezni, azt látjuk, hogy a bizonytalanság csökkenése nem csak a hálózati elemeknek és kétoldalú kapcsolódásoknak tudható be (Leydesdorff [2006a]). A három- vagy többoldalú kapcsolatok szintén meghatározók a hálózatban, a rendszer felépítése a közös információ alakulásában döntõ lehet. Minél nagyobb abszolút értékû negatív szám a T gto értéke, annál erõsebben határozza meg egymást a három dimenzió: annál nagyobb mértékben csökken a rendszer bizonytalansága, illetve annál erõsebbek a tudásfunkciók szinergiái. A T gto negatív értéke esetén a (3) képletben a kétdimenziós entrópiák bizonytalanságot csökkentõ hatása felülmúlja az egydimenziós eloszlások és a háromoldalú kapcsolatok bizonytalanságnövelõ hatását. Az indikátor nem méri a rendszer innovációs aktivitását vagy a gazdasági teljesítményt, hanem az innovációs teljesítmény feltételéül szolgáló szerkezeti körülményeket mutatja, és várakozásokat, valószínûséget fejez ki. Az entrópia pozitív tulajdonságainak egyike, hogy az eredmények teljesen szétbonthatók az információs tagokra [dekompozíció, lásd késõbb a (4) képletet], amelynek alapján feltárható a magyar gazdaság tudásalapon való szervezõdésének néhány fontos összefüggése. Mivel kettesalapú logaritmussal számoltunk, az értékeink információs bitekben vannak kifejezve. Fontos megjegyeznünk, hogy eredményeink formalizált (valószínûségi) értékek, így függetlenek számos empirikus vizsgálat méret- és egyéb problémáitól. Eredmények Adataink kistérségi szintûek, amelyek lehetõvé tették a megyei szintû elemzést. Elkülönítettük a csúcs- és közepes technológiájú iparágak és tudásintenzív szolgáltatások tudásbázisra gyakorolt hatását, valamint kiszámoltuk a három dimenzió (földrajzi, technológiai és szervezeti) valószínûségi entrópiáit Magyarország egészére és megyéire lebontva (3. táblázat). A megyék természetesen különböznek a vizsgálatban szereplõ cégek számában, és kistérségeik száma is eltérõ. Míg Nógrád megyében 8722 cég volt a csúcs-, közepes technológiájú vagy tudásintenzív, addig Budapesten 229 165 ilyen céget találtunk, Pest megyében pedig 67 342-t. A megyékben található átlagos cégszám (Budapest kivételével) 22 690. A könnyebb áttekintés érdekében röviden kitérünk az egyes entrópiaértékek kiszámolásának módjára. Adatbázisunkban a vállalatok eloszlásait a három dimenzióban páronként kétdimenziós mátrixokba rendeztük, amelynek elemeit az adatfelvétel kategóriáiba tartozó vállalatok száma alkotta. A mátrix soraira és oszlopaira is alkalmaztuk az entrópia H x = p x log 2 p x formuláját. Például a x 3 4 1 2
532 Lengyel Balázs Loet Leydesdorff mátrixból az egydimenziós entrópiaértékek H(x) = 0,7log(0,7) 0,3log(0,3) H(y) = 0,5log(0,5) 0,5log(0,5), a kétdimenziós entrópia értékek pedig a H xy = p xy log 2 p xy alapján H(xy) = 0,3log(0,3) 0,4log(0,4) 0,2log(0,2) 0,1log(0,1). A teljes mátrixunk a hazai vállalatok eloszlásának megfelelõen az elõzõ fejezetben leírtak szerint a földrajzi dimenzióban 168, a technológiai dimenzióban 22, a szervezeti dimenzióban pedig 6 sort, illetve oszlopot tartalmazott. Mivel az adatok kistérségi szinten álltak rendelkezésre, a 3. táblázat elsõ oszlopa (H g ) a megyéken belüli területi eloszlás bizonytalanságát jelöli, más szóval a gazdasági tevékenységek megyén belüli koncentrációját. Budapest speciális helyzetben van, kerületi szintû adataink nincsenek, így nem tudunk Budapesten belüli bizonytalanságot kimutatni. A 15 kistérséget tartalmazó Pest megyében mérhetõ ennek az indikátornak a legnagyobb értéke, a 3,54 bit a maximális entrópia 90,7 százalékát teszi ki (maximális entrópia log 2 15 = 3,91). Ezt a magas értéket a tudásintenzív gazdasági aktivitás budapesti agglomerációban szétszórt jellegének tudhatjuk be. Azokban a megyékben, ahol viszonylag sok a kistérség, a koncentráció foka magasabb. Például Borsod-Abaúj-Zemplén megyében a cégek eloszlásának bizonytalansága a maximális entrópia 62,7 százaléka. Azok a megyék, ahol erõs egyetemek mûködnek, szintén centralizáltak, ezekben az esetekben a valószínûségi entrópia a maximális entrópia alacsonyabb értékét teszi ki: Gyõr-Moson- Sopron 66,2, Csongrád 62,5, Hajdú-Bihar 59, Baranya 54,2 százalék. A technológiai és szervezeti dimenziókban a várható entrópia (H t és H o ) a nemzeti rendszer szintjén 61,1 és 44,9 százalék. Mindkét érték nagyon szûk eloszlásra utal. 2 A megyei szintû entrópiaértékek viszonylag alacsony változatosságot mutatnak, a megyék nem különböznek a szervezeti és technológiai diverzitásukat tekintve. A két dimenzióban mért H értékek az ország szintjén a megyei értékek átlagos szórásába esnek: H t = 2,744 ± 0,071 és H o = 1,145 ± 0,035. A várható entrópia alacsony értéke aszimmetrikus eloszlást mutat a szervezeti dimenzióban. Ennek lehetséges magyarázata az alkalmazott nélküli vagy önfoglalkoztató cégek nagy aránya az adatbázisunkban. Érdekes, hogy a magyar alkalmazott nélküli cégek 75 százaléka a csúcs- vagy közepes technológiájú, illetve a tudásintenzív iparágakba tartozik. Az eloszlás nagyon egyenlõtlen, például az alkalmazott nélküli ingatlanszektorban (TEÁOR 70) mûködõ 140 078 cég az összes vizsgálatban szereplõ cég 21,2 százaléka. Az egyéb üzleti szolgáltatást (TEÁOR 74) végzõ mikrovállalkozások hasonló súlyúak: 156 807 cég (23,7 százalék). A kétdimenziós entrópia értékei csökkentik a dimenziók együttes bizonytalanságát. Amint azt az elõzõkben feltételeztük, ezek az értékek az innovációs rendszer tudásfunkcióinak becslésére szolgálhatnak: a földrajzi és technológiai eloszlások között a tudásteremtés infrastruktúrája; a technológiai és szervezeti dimenziók között a tudástranszfer és az innovációk terjedése; a szervezeti és földrajzi dimenziók között az innovációs rendszer gazdaságpolitikai kontrollja csökkenti a bizonytalanságot (Leydesdorff [2006b). Például a földrajzi és technológiai (H gt ) dimenziók kombinálásával a kétdimenziós eloszlá x y 2 A magyar vizsgálatban csak a vizsgált 22 iparági szektorból gyûjtöttünk adatokat (a holland és német vizsgálatban minden ágazatot figyelembe vettek). Így ebben a tanulmányban a valószínûségi entrópia csak a csúcstechnológiai, közepes technológiájú és tudásintenzív szolgáltatások eloszlását jelöli, a maximumentrópia a technológiai dimenzióban log 2 22 = 4,459, a szervezeti dimenzióban log 2 6 = 2,584.
A magyar gazdaság tudásalapú szervezõdésének mérése 533 Megye Budapest Baranya Bács-Kiskun Békés Borsod-Abaúj-Zemplén Csongrád Fejér Gyõr-Moson-Sopron Hajdú-Bihar Heves Komárom-Esztergom Nógrád Pest Somogy Szabolcs-Szatmár-Bereg Jász-Nagykun-Szolnok Tolna Vas Veszprém Zala Magyarország 3. táblázat A három dimenzió eloszlásának és azok kombinációinak várható információtartalma (bit) H g H t H o H gt H go H to H gto 0,000 1,717 2,574 2,678 2,449 1,755 2,345 1,858 1,871 2,174 2,496 2,225 3,544 2,445 2,435 2,215 2,084 2,061 2,739 1,978 2,598 2,790 2,769 2,574 2,809 2,767 2,715 2,658 2,743 2,832 2,747 2,771 2,786 2,804 2,842 2,801 2,699 2,711 2,756 2,717 1,169 1,139 1,174 1,067 1,138 1,067 1,152 1,130 1,130 1,195 1,185 1,186 1,120 1,160 1,116 1,181 1,122 1,172 1,144 1,155 2,598 4,483 5,329 5,189 5,238 4,506 5,043 4,500 4,596 4,991 5,229 4,982 6,311 5,218 5,251 4,996 4,761 4,750 5,474 4,679 1,169 2,853 3,745 3,733 3,584 2,819 3,493 2,985 2,998 3,366 3,679 3,405 4,662 3,601 3,548 3,392 3,203 3,225 3,880 3,132 3,644 3,742 3,742 3,537 3,769 3,686 3,701 3,577 3,687 3,788 3,700 3,687 3,755 3,767 3,792 3,772 3,652 3,674 3,671 3,663 3,616 5,402 6,258 6,096 6,142 5,397 5,984 5,380 5,505 5,901 6,131 5,841 7,245 6,135 6,158 5,920 5,677 5,655 6,342 5,595 5,189 2,722 1,159 7,875 6,334 3,712 8,823 A vizsgált cégek száma 229 165 25 308 25 158 19 003 30 174 26 122 24 075 28 177 26 624 15 095 17 760 8 722 67 342 15 680 20 422 16 513 12 344 14 490 20 533 16 538 659 701 A kistérségek száma 1 9 10 8 15 7 10 7 9 7 7 6 15 10 11 7 5 9 9 6 168
534 Lengyel Balázs Loet Leydesdorff sok entrópiája viszonylag alacsony a nagy egyetemekkel rendelkezõ megyékben (Baranya, Csongrád, Gyõr-Moson-Sopron, Hajdú-Bihar). Tehát ezekben a megyékben kisebb mértékben függ egymástól a tudásintenzív gazdasági tevékenység területi és technológiai szóródása. Pest megyében pedig, ahol azt várnánk, hogy a tudásintenzív gazdasági tevékenység jobban szóródik (több a felsõoktatási intézmény, szerteágazóbb a gazdaság), magasabb értéket kapunk a kétdimenziós entrópiára, azaz jobban összefügg a két eloszlás. Mindezekbõl arra következtethetnénk, hogy az egyetemi városokban az innovációs rendszer tudásteremtõ funkciója gyengébb, míg Pest megyében jobban érvényesül a tudásteremtõ funkció. Az ilyen állítások alátámasztása azonban további kutatásokat igényel, a tanulmány szûk keretei miatt nem áll módunkban kifejteni a problémákat, amelyek a tudásfunkciók kétdimenziós entrópiabecslésével járnak. A továbbiakban a fõbb anomáliákat a teljes rendszer bizonytalanságcsökkenése kapcsán elemezzük. A közös információ földrajzi bontása Amint korábban említettük, két dimenzió között a kétdimenziós entrópia magas értéke jelöli a dimenziók összekapcsolódásának erõsségét, három egymástól függõ dimenzió közös információja azonban negatív is és pozitív is lehet. A közös információ értéke attól függ, hogy három eloszlás entrópiája, a kétdimenziós eloszlások és a háromdimenziós eloszlás entrópiája miként viszonyul egymáshoz [lásd (3) képlet]. Jelen esetben a kérdés egyrészt az, hogy csökkentik-e az innovációs rendszer tudásfunkciói a cégek földrajzi, technológiai és szervezeti megoszlásának bizonytalanságát. Milyen szorosan köti össze a tudásalapú szervezõdés az innovációs rendszer három tudásfunkcióját? A holland és német vizsgálat eredményei alapján azt várhatjuk, hogy a három dimenzió közös információja ( T) negatív lesz, azaz a rendszerben csökken a bizonytalanság: azt a tudásfunkciók csökkentik, s a funkciók közötti szinergia miatt alacsony a háromdimenziós tag értéke. Mindegyik magyar megyében negatívak az értékek, azaz feltételezhetõen a megyék az innovációs rendszer releváns szintjei, a megyékben érvényesülõ szinergiák elõsegítik a tudásalapon való szervezõdést (4. táblázat). A T gto értékei mutatják a földrajzi eloszlást. Mivel a kistérségek száma eltér a megyékben, ezért nem lehet az értékeket közvetlenül összehasonlítani. Mindenesetre említésre méltó, hogy Magyarország egészére mért T gto (abszolút) érték kisebb, mint bármelyik megyében. A 4. táblázat második számoszlopa a háromdimenziós entrópia közös információjának normalizált értékeit ( T) mutatja. (A T jelöli a közös információ T gto értékeinek a vizsgálatban szereplõ cégek számával súlyozott értékét. A súlyozást a megyék összehasonlítása érdekében végeztük el.) Az oszlopot úgy értelmezhetjük, hogy a nagyobb abszolút értékû negatív érték a tudásfunkciók magasabb rendû szinergiájára utal. Másképpen: a közös információ negatív értéke azt jelzi, hogy a tudásfunkciók csökkentik a rendszer bizonytalanságát, miközben szinergiájuk erõs. Az entrópia módszerének tulajdonsága, hogy a teljes eloszlás szétbontható részeloszlásokra, ezek entrópiája és a részeloszlások közötti entrópia összege a teljes eloszlás entrópiáját teszi ki (Theil [1972]): ahol T 0 a megyék közötti entrópia, T i az i-edik megye entrópiája, n i az i-edik megyében lévõ cégek száma, N a teljes mintában szereplõ cégek száma. T = T 0 + n i / N T i, (4) i
A magyar gazdaság tudásalapú szervezõdésének mérése 535 4. táblázat A háromdimenziós eloszlások entrópiájának közös információja a megyékre lebontva (millibit) Megye T gto (millibit) T (millibit) Cégek száma Magyarország Budapest Baranya Bács-Kiskun Békés Borsod-Abaúj-Zemplén Csongrád Fejér Gyõr-Moson-Sopron Hajdú-Bihar Heves Komárom-Esztergom Nógrád Pest Somogy Szabolcs-Szatmár-Bereg Jász-Nagykun-Szolnok Tolna Vas Veszprém Zala Összesen A megyék közötti entrópia (T 0 ) 23,55 660 290 27,75 9,63 229 165 29,59 1,13 25 308 41,28 1,57 25 158 41,85 1,20 19 003 52,32 2,39 30 174 25,26 1,00 26 122 39,93 1,46 24 075 34,13 1,46 28 177 31,93 1,29 26 624 42,19 0,96 15 095 49,70 1,34 17 760 50,37 0,67 8 722 33,22 3,39 67 342 41,87 0,99 15 680 38,53 1,19 20 422 42,04 1,05 16 513 33,95 0,63 12 344 48,89 1,07 14 490 43,45 1,35 20 533 27,78 0,70 16 538 34,48 10,94 Megjegyzés: a millibit mértékegységet a könnyebb áttekintés kedvéért a bit, az információ alapegységének az ezredrészeként használjuk. A csoportok közötti entrópia (T 0 ) a teljes eloszláson belül kijelölt csoportok entrópiájának és a teljes minta entrópiájának különbsége (Leydesdorff és szerzõtársai [2006]). Ebben az esetben T 0 azt fejezi ki, hogy a teljes eloszlás entrópiája milyen mértékben csökken vagy növekszik, ha a megyei eloszlásokat országos szinten is aggregáljuk. A T 0 negatív értéke azt jelentené, hogy a megyék közötti eloszlás entrópiája csökken, ha országos szinten aggregáljuk a cégek háromdimenziós eloszlását. Azaz az országos szint a rendszer szinergiáját segíti elõ. Míg a pozitív érték azt jelenti, hogy a gazdaság tudásalapú szervezõdése inkább regionális, mint országos szintû szinergiák eredménye. T 0 magas pozitív értéke azt mutatja, hogy Magyarország nemzeti szinten nem alkot szinergikus innovációs rendszert. A korábbi hasonló tanulmányok szerint T 0 értékei negatívak voltak Hollandiában és a német tartományok szintjén, de pozitív értéket láttunk Németország egészére. Németországban nem várhatunk országos szintû szinergiákat, hiszen nagy területi különbségekkel rendelkezõ föderális állam, ahol a keleti területek szintén átmenetet éltek meg. A magyar eredmények ugyanakkor nemcsak a mutató elõjelét tekintve lepnek meg minket, T 0 pozitív értéke kiemeli a gazdaság átmeneti jellegét. Azt láthatjuk ugyanis, hogy a megyék közti bizonytalansághoz való hozzájárulás (T 0 = +10,94 millibit) sokkal magasabb, mint a megyei szinten megjelenõ bizonytalanságcsökkenés bármelyik értéke. Valószínû, hogy a megyei innovációs rendszerek szinergiáit teljesen más erõk alakítják az ország különbözõ részein, az egyenlõtlenség kialakulását a központi gazdaságfejlesztési intézkedések nem képesek ellensúlyozni.
536 Lengyel Balázs Loet Leydesdorff A magyar gazdaság tudásalapú szervezõdésének szinergiái Budapesten a legerõsebbek ( T = 9,63 millibit), továbbá a Pest megyében ( 3,39 millibit) és Borsod-Abaúj-Zemplén megyében ( 2,39 millibit) mért kölcsönhatások kiemelkedõk. Az eredmények azt sugallják, hogy a régiók közti nagy különbségek a tudásalapú gazdaság funkcióinak szinergiáját tekintve is megmutatkoznak: a budapesti agglomeráció az ország gazdaságának kimagasló tudásalapú központja, amit számos más vizsgálat is egyértelmûen alátámaszt. A közép-magyarországi régió erõs pozíciója mellett az is látható, hogy a közös információ mutatói a Dunántúlon erõs Észak Dél törést mutatnak (2. ábra). Ez összhangban van azzal a képpel, ami a gazdaság fejlettségének területi egyenlõtlenségeirõl kialakult a magyar szakirodalomban (Lengyel I. [2003], Rechnitzer és szerzõtársai [2004]). Az ország keleti felén kapott eredményeinket tekintve már nem tapasztalunk ilyen összecsengést. Például Borsod-Abaúj-Zemplén megyében nem várnánk a tudásfunkciók ilyen magas integrációs szintjét. Szintén meglepõ, hogy Csongrád megye közös információja alacsonyabb, mint a Békés megyei mutató stb. 2. ábra A háromdimenziós közös információ a magyar megyékben Magyarországi eredményeink további értelmezéséhez figyelembe vettük olyan korábbi munkák tapasztalatait, amelyek egyrészt a külföldi mûködõtõke szerepét vizsgálták a hazai gazdaság technológiai fejlettségének alakításában, másrészt a hazai egyetemek és közfinanszírozású kutatóhelyek K+F-szektoron belüli súlyát és gazdaságra gyakorolt hatását elemezték. A multinacionális cégek fõként Budapesten és az északnyugati megyékben hozták létre telephelyeiket, ezek alapján az eddig vizsgálatok azt sugallják, hogy ezeken a területeken a rendszerváltás óta erõs endogén tudásbázis fejlõdött ki (Antalóczy Sass [2005], Inzelt [2003], Szalavetz [2004], Török Petz [1999]). A mi vizsgálatunk ezt a megállapítást megkérdõjelezi. Lehetséges, hogy a külföldi tulajdonban lévõ vállalatok megváltoztatták az egyetem gazdaság kormányzat kapcsolatok mintázatát, amiben a helyi közepes technológiai szintû vállalatoknak lenne vezetõ szerepe a rendszer integrálásában? Mi úgy értelmezzük vizsgálati eredményeinket, hogy a budapesti metropolis kivételével a külföldi tõke elszakította a tudásalapú szervezõdést annak földrajzi gyökereitõl. Így Magyarországon egészen más trendek érvényesülnek, mint Hollandiában vagy Németország nyugati tartományaiban, amelyek esetében nem zajlott a magyar átmenethez hason-
A magyar gazdaság tudásalapú szervezõdésének mérése 537 ló idõszak. Jelentheti ez a földrajzi elszakítás azt, hogy Magyarország nyugati területei jobban integrálódtak az Európai Unióba vagy a szomszédos országok rendszereibe, mint a országos rendszerünkbe? Korábbi empirikus kutatások alapján hasonló következtetésekre juthatunk: Inzelt [2003] (256. o.) megmutatta, hogy az Ausztriából érkezõ külföldi tõkeberuházások az északnyugati megyékben koncentrálódnak, Borsi és szerzõtársai [2007]) pedig rámutattak, hogy ezekkel a területekkel Bécs regionális innovációs stratégiájában is számolnak. Magyarország keleti és déli területeit és azok tudásalapú szervezõdését kevésbé érintette a külföldi cégek letelepedése, így ott a folyamatok inkább helyhez kötöttek. Hipotéziseink ellenõrzése Az eredmények csúcstechnológiai, közepes technológiai szintû és tudásintenzív szolgáltatások szerinti szektorális bontásával relatív hatásokat mérhetünk. Azt tudjuk megmutatni, hogy a kiválasztott szektorok milyen módon (növelik vagy csökkentik) és milyen arányban hatnak a három dimenzió közös információjára. A magasabb abszolútértékû negatív eredmény azt mutatja, hogy az alkategória entrópiája csökkent, ami a gazdaság erõsebb tudásalapú szervezõdésének tudható be. Az elõzõkben felállított hipotéziseket az empirikus vizsgálat logikájához igazodva a megadott sorrendben ellenõrizzük. A csúcs- és közepes technológiai, illetve a tudásintenzív szolgáltató szektor földrajzi kötöttsége Az 1. és 2. hipotézis vizsgálata az eredményeink ágazatok szerinti dekompozícióját igényli. A gazdaság tudásalapon való szervezõdését, az innovációs rendszerek szinergiáit meghatározó mértékben alakítják a csúcstechnológiai, közepes technológiai vállalatok. A csúcsés közepes technológiájú iparágakban a cégek száma szinte elenyészõ a teljes mintánkhoz képest, viszont a két szektor hatása az innovációs rendszerek szinergiájára erõteljes (5. táblázat). Ez a kis csoport néhány megyében a csúcs- és közepes technológiájú szektorokban mért entrópiacsökkenést több mint tízszeres mértékben magyarázza. A csúcs- és közepes technológiájú szektorokban mért háromdimenziós közös információ ( T) értékei és az entrópiára való hatás térbelisége is erõs. E szektorokban a szinergiák erõsségét tekintve Budapest és Pest megye kiemelkedõ, a fõvárosi agglomerációt Fejér, Komárom- Esztergom, Borsod-Abaúj-Zemplén, Gyõr-Moson-Sopron és Bács-Kiskun megyék követik (lásd 5. táblázat 3. számoszlopa). Az innovációs rendszerek csúcs- és közepes technológiájú szektorokban való szinergiái a Dél-Dunántúlon és a Dél-Alföldön a leggyengébbek. A háromdimenziós entrópia elemekre bontását kihasználva meg tudjuk határozni a csúcs- és közepes technológiájú szektorok egész rendszerre való bizonytalanságcsökkentõ hatását (5. táblázat 4. számoszlopa). Hogy ezt meghatározzuk, a csúcs- és közepes technológiájú közös információnak a teljes készlet közös információjában való részarányát kell kiszámolni ( T (csúcs és közepes) T (teljes) / T (teljes) 100). Azt láthatjuk, hogy a csúcsés közepes technológiájú vállalatok minden megyében és országos szinten is pozitívan hatottak a bizonytalanságcsökkenésre. Ezekben a szektorokban a tudásteremtés, a tudástranszfer és a szervezeti kontroll funkciói szinergikus hatással vannak egymásra. Ezek alapján az 1. hipotézisünket a vizsgálat megerõsítette, azaz a tudásalapú szervezõdés a csúcstechnológiai, közepes technológiai iparágakban erõsen kötõdik a földrajzi dimenzióhoz.